Stochastic gradient descent (SGD) is one of the preferred online optimization algorithms. However, one of its major drawbacks is its predisposition to forgetting previous data when optimizing through a data stream, also known as catastrophic interference. In this project, we attempt to mitigate this drawback by proposing a new low-cost approach which incorporates backward queried images with SGD during online training. Under this new approach, we propose that for every new training sample through the data stream, the neural network is optimized using the corresponding backward queried image from the initial dataset. After compiling the accuracy of the proposed method and SGD under a data-stream of 50,000 training cases with 10,000 test cases and comparing our algorithm to SGD, we see substantial improvements in the performance of the neural network with two different MNIST datasets (Fashion and Kuzushiji), classifying the MNIST datasets at a high accuracy for the mean, minimum, lower quartile, median, and upper quartile, while maintaining lower standard deviation in performance, demonstrating that our proposed algorithm can be a potential alternative to online SGD.

本研究旨在設計一個使用模式，以不切換中、英文輸入法打字的原則之下，能夠完整的自動辨識出一個包含中文（注音、嘸蝦米、倉頡）與英文完整句子。經實測結果，正確率達到94.23%以上。

本研究主要考慮在盡量保留可讀性的情況下，找出將 Imperative Programming 程式碼對應的 Functional Programming 的程式碼並證明。 結果如下： 一、if statement 等價於由 ifte 函數所構成的程式碼，其中函數ifte定義在本文內 二、某些 for-loop statement 等價於由 foldl 函數所構成的程式碼 三、某些 for-loop statement 等價於由 map 函數所構成的程式碼

我們設計一AIoTs物聯網相變實驗系統，觀察與分析多體粒子的彈跳運動行為，並以二分法來觀察系統在不同驅動電壓下的粒子數失衡參數α與有序參量β；在改變頻率實驗中，觀察到低驅動電壓下的粒子集體行為(collecting behavior)、臨近相變臨界點之粒子漸近行為(Approaching behavior)、與遠離相變臨界點之粒子漲落行為(Fluctuation behavior)皆與頻率有關，且臨界電壓隨頻率增加，呈現指數遞減，約在6 Hz後即趨於常數3.6 eV，而高驅動電壓下之粒子漲落行為仍依然存在，而量子電腦計算結果說明，利用26-Qubits成功描述20個自旋粒子在控制旋轉閘(Controlled Rotate Y-gate)運算下的相變行為，並能完美擬合相變區間之漸進行為(Approaching behavior)。藉由本次科展所提出之實驗模型，可以在未來為凝體物理系統與相變實驗提供更豐富的研究課題與更廣闊的研究前景。

本研究以AI虛擬試衣系統(Virtual Try-on模型)為主題，透過深度學習技術，並結合幾何匹配模型，最後開發出試衣系統，將使用者上傳的照片，模擬成穿著新衣的模樣。 首先，將人物原始圖片取出骨架節點，並生成人體遮罩以及保留人物頭部。而後將三個輸出合成為高維特徵圖。接著將目標替換衣物生成出依照人體姿態扭曲後的衣物圖片。最後於Virtual Try-on模型中，將人體高維特徵圖與扭曲衣物共同輸入，並經過運算後合成出穿著目標衣物之人體圖像。本研究結果發現，人物站姿單純，且雙手緊貼身側，以及拍攝角度為正面、衣服款式為短袖、背景色彩對比度較高與衣服圖案單純的原始圖片得出的結果圖片與測試圖片相似度較高。

在資訊爆炸的時代，效率閱讀、整理資料的能力越趨重要。身為高中生，學習時的閱讀量龐大，還須另外自己挑選重點句，重新整理筆記。因此我想如果可以讓電腦自動摘取文章的重點，就能幫助學生效率學習。 大多數現存的自動摘要研究適用於英文文本，本研究利用演算法抓取中文文章的摘要，使學生可以真正實用該演算法於日常學習當中。除此之外，此研究比較了不同方法摘要的準確率以及優缺點。

近年來原住民語使用逐漸減少，面臨傳承的危機。本研究製作太魯閣族語音評分系統，希望幫助人們學習太魯閣族語。利用原委會網站的音檔和田野調查收集錄製的族語語音與族語老師的評分為本研究的研究語料，以Kaldi為語音辨識框架來製作語音辨識模型。對模型輸出的音素與正確單詞進行字串相似度計算，將計算數據與模型產出的發音品質分數作為選擇模型的依據，透過機器學習方法選擇最接近族語老師評分的模型。以此模型計算研究語料，再以機器學習製作一個七成正確率的評分分類器，最後實作出評分系統網站。此網站除了可以學習族語之外，也可以幫助未來繼續收集更多語料，提高評分系統的正確率。期望幫助人們學習太魯閣族語，讓原住民族語原音得以重現。

本研究旨在發展一套可限制特徵之人臉生成器，能依據目擊者對嫌犯的特徵描述，使用真實人臉照片進行特徵生成，以生成嫌犯臉孔。本研究以生成對抗網路為中心，配合選擇性傳輸單元、編碼器與解碼器結構，發展出五官、毛髮、飾品、整體形象四大類別，共有40個特徵生成編輯種類。搭配友善的圖形使用者介面，讓使用者可將已相關度篩選後之真實人臉資料庫或是另行輸入之照片，因應不同的嫌犯臉孔描繪需求情境，對該圖片臉孔進行指定特徵之生成編輯。此技術除了可輔助刑案目擊者回憶嫌犯臉孔特徵，亦可應用於眼鏡業、醫學美容、美髮業等領域。

做研究時，經常需要閱讀多篇長篇論文，如何快速理解並歸納重點是影響效率收益的關鍵任務。針對此問題本研究運用深度學習配合其他程式算法輔助。將整個問題拆解成三個主要部分：模型處理、結構剖析、心智圖輸出，模型處理的部分我們訓練了三種不同的Seq2seq模型實現文本摘要，分別使用LSTM、BERT、ALBERT、比較並選擇綜合效益最好的模型；而負責拆解論文的結構剖析系統，則利用論文目錄分解整份論文，最後，心智圖輸出系統則整合剖析系統與模型結果，再調用Xmind API去生成架構清晰易讀易理解的論文心智圖。

Two years ago, I attended a robot contest, in which one of the missions required the robot to follow the pedestrian to complete the task. At that time, I used their demo program to complete the task. Not long after, I found two main issues: 1. The program follows the closest point read by the depth camera, which if I walk close to a wall next to, the robot may likely ‘follow’ the wall. 2. Not to mention if another pedestrian crosses between the robot and the target. Regarding these two issues, I decided to improve it. We’ve designed a procedure of using YOLO Object Detection and Person re-identification to re-identify the target for continuous following.

Two years ago, I attended a robot contest, in which one of the missions required the robot to follow the pedestrian to complete the task. At that time, I used their demo program to complete the task. Not long after, I found two main issues: 1. The program follows the closest point read by the depth camera, which if I walk close to a wall next to, the robot may likely ‘follow’ the wall. 2. Not to mention if another pedestrian crosses between the robot and the target. Regarding these two issues, I decided to improve it. We’ve designed a procedure of using YOLO Object Detection and Person re-identification to re-identify the target for continuous following.

本研究以AI虛擬試衣系統(Virtual Try-on)為主題，透過深度學習技術，並結合幾何匹配模型，開發出試衣系統，可將使用者上傳的照片，模擬成穿著新衣的模樣。 首先，以深度學習模型將人物原始圖片取出骨架節點，並生成人體遮罩以及保留人物頭部，再結合以上三種資訊合成為高維特徵圖。接著將目標替換衣物生成出依照人體姿態扭曲後的衣物圖片。最後於Virtual Try-on模型中將人體高維特徵圖與扭曲衣物作為輸入，並經過深度學習網路合成出穿著目標衣物之人體圖像。本研究結果發現，人物站姿單純，且雙手緊貼身側，以及拍攝角度為正面、衣服款式為短袖、背景色彩對比度較高與衣服圖案單純的原始圖片，可得到較好的合成結果。